LangChain实现简易版-----PDF 文档问答机器人

文档加载器 + 文本分割器 + PromptTemplate + LLM

原理（极简版，不学向量也能懂）

加载 PDF 全部文本
分割成多个语义完整文本块
用户提问 → 简单匹配最相关的文本块
把「相关文档片段 + 用户问题」塞进提示词
强制 LLM 只能看给的文档片段回答，不准瞎编

第一步安装依赖

复制代码

pip install -U langchain langchain-openai langchain-community pypdf python-dotenv

第二步完整可运行代码（纯基础知识点，无 RAG 无向量库）

复制代码

# 文档问答机器人
import os
from dotenv import load_dotenv
from langchain_core import documents

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_community.document_loaders import PyPDFLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter


# 加载环境变量
load_dotenv()

# ====================== 1. 配置 =================================
PDF_PATH = "Dubbo面试.pdf"
CHUNK_SIZE = 1200 # 单个块最大的字符数（推荐1000 - 2000）
CHUNK_OVERLAP = 200 # 相邻块的重叠字符数（推荐200 - 400） 保留上下文

# 初始化大模型 LLM
llm = ChatOpenAI(
    api_key=os.getenv("QWEN_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model='qwen3-max', # 必须用 pro模型，支持工具调用
    temperature=0
)

# ======================2, 加载PDF =================================
def load_PDF(pdf_path: str):
    """
    加载本地 PDF 文档
    :param pdf_path: PDF 文件路径
    :return: Document 对象列表（每个元素是 PDF 的一页）
    """
    print(f'📄 正在加载，PDF：{PDF_PATH}...')

    # 初始化PDF加载器
    loader = PyPDFLoader(pdf_path)

    #加载PDF 每个元素 对应pdf一页
    documents = loader.load()
    print(f'✅️PDF文档加载完成！共{len(documents)}页 \n')

    return documents

# ======================= 3. 文本语义分割 ===============================
def split_documents(documents):
    """
    用 RecursiveCharacterTextSplitter 进行语义完整的文本分割
    :param documents: 加载后的 Document 对象列表
    :return: 分割后的文本块列表
    """
    print("✂️  正在进行语义完整的文本分割...")

    # ✅️ 核心：初始化 RecursiveCharacterTextSplitter （最推荐的分割器）
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=CHUNK_SIZE,
        chunk_overlap=CHUNK_OVERLAP,
        # 分割优先级（按顺序，优先保留段落、句子）
        separators=["\n\n", "\n", "。", "！", "？", " ", ""],
    )

    # 执行分割
    split_chunks = text_splitter.split_documents(documents)
    print(f"✅ 文本分割完成！共生成 {len(split_chunks)} 个文本块\n")
    return split_chunks


# ====================== 4. 简单的文本匹配 ==========================
def get_relevant_chunk(question, chunks):
    """
    简易关键词匹配：找出和问题最相关的文档块
    不用向量，纯字符串包含匹配
    """
    # 提取问题关键词 （简单按空格拆分）
    q_words = set(question.replace(",", " ").replace("。", " ").split())
    print(f'q_words: {q_words}')
    best_chunk = None
    max_score = 0

    for chunk in chunks:
        content = chunk.page_content

        # 统计命中关键词数量
        hit = sum(1 for word in q_words if word in content)
        if hit > max_score:
            max_score = hit
            best_chunk = content

    # 没有任何匹配 返回空
    if max_score == 0:
        return None
    return best_chunk


# ============================ # 5，构建问答prompt + 普通chain ==============================
# 强约束 只能用文档内容 不能编造
prompt = ChatPromptTemplate.from_template("""
你是文档专属问答助手，**严格遵守以下规则**：
1. 只能依据【文档内容】回答用户问题
2. 文档里没有相关信息，直接回复：文档中没有相关内容
3. 绝对不能自己编造、不能使用外部知识
4. 回答简洁准确
【文档内容】
{context}
【用户问题】
{question}
""")
# 普通链式组装
chain = prompt | llm | StrOutputParser()

# ===================== 6. 对话主循环 ==========================================
def main():
    print("===== 📚 简易PDF文档问答机器人（无向量库、无RAG）=====")
    print("正在加载并处理文档...\n")

    # 加载+分割
    documents = load_PDF(PDF_PATH)
    chunks = split_documents(documents)

    print("🤖 文档加载完毕，可以开始提问，输入 q 退出\n")
    while True:
        question = input("你：").strip()
        if question.lower() == "q":
            print("🤖 再见！")
            break
        if not question:
            continue

        # 匹配相关文档片段
        context = get_relevant_chunk(question, chunks)

        if not context:
            print("🤖：文档中没有相关内容\n")
            continue

        # 传入文档片段+问题，让LLM回答
        ans = chain.invoke({
            "context": context,
            "question": question
        })
        print(f"🤖：{ans}\n")

if __name__ == "__main__":
    main()

第三步 .env 文件配置

复制代码

DOUBAO_API_KEY=你的豆包密钥

四、用到的知识点（全是你学过的）

PyPDFLoader 文档加载器
RecursiveCharacterTextSplitter 语义文本分割器
ChatPromptTemplate 提示词模板
ChatOpenAI 大模型调用
LCEL 链式调用 |
StrOutputParser 输出解析器

五、运行效果

问文档里有的内容 → 精准基于文档回答
问文档里没有的 → 自动回复：文档中没有相关内容
不会瞎编、不会扯外面知识

===== 📚 简易PDF文档问答机器人（无向量库、无RAG）=====
正在加载并处理文档...

📄 正在加载，PDF：Dubbo面试.pdf...
✅️PDF文档加载完成！共15页

✂️ 正在进行语义完整的文本分割...
✅ 文本分割完成！共生成 16 个文本块

🤖 文档加载完毕，可以开始提问，输入 q 退出

你：Dubbo 支持哪些协议，每种协议的应用场景，优缺点
q_words: {'支持哪些协议，每种协议的应用场景，优缺点', 'Dubbo'}
🤖：Dubbo 支持以下协议，每种协议的应用场景和优缺点如下：
- dubbo：单一长连接和 NIO 异步通讯，适合大并发小数据量的服务调用，以及消费者远大于提供者。传输协议 TCP，异步，Hessian 序列化。
- rmi：采用 JDK 标准的 rmi 协议实现，传输参数和返回参数对象需实现 Serializable 接口，使用 java 标准序列化机制，使用阻塞式短连接，传输数据包大小混合，消费者和提供者个数差不多，可传文件，传输协议 TCP。多个短连接，TCP 协议传输，同步传输，适用常规的远程服务调用和 rmi 互操作。在依赖低版本的 Common-Collections 包时，java 序列化存在安全漏洞。
- webservice：基于 WebService 的远程调用协议，集成 CXF 实现，提供和原生 WebService 的互操作。多个短连接，基于 HTTP 传输，同步传输，适用系统集成和跨语言调用。
- http：基于 Http 表单提交的远程调用协议，使用 Spring 的 HttpInvoke 实现。多个短连接，传输协议 HTTP，传入参数大小混合，提供者个数多于消费者，需要给应用程序和浏览器 JS 调用。
- hessian：集成 Hessian 服务，基于 HTTP 通讯，采用 Servlet 暴露服务，Dubbo 内嵌 Jetty 作为服务器时默认实现，提供与 Hessian 服务互操作。多个短连接，同步 HTTP 传输，Hessian 序列化，传入参数较大，提供者大于消费者，提供者压力较大，可传文件。
- memcache：基于 memcached 实现的 RPC 协议。
- redis：基于 redis 实现的 RPC 协议。
你：q
🤖 再见！

🔴 先预判一下你的问题

这个报错 ValueError: Invalid input type <class 'dict'> 是 LangChain 里最经典的链结构错误，大概率是这 3 种情况之一：

直接把字典传给了大模型 你可能写了 llm.invoke({"question": "xxx"})，但大模型只接受字符串或消息列表。
链的顺序写错了 你可能写了 {...} | llm，但正确的应该是 prompt | llm。
PromptTemplate 后面没接 llm，或者接错了你可能在链里混用了不同类型的 Runnable，导致输出格式不对。

LangChain实现简易版-----PDF 文档问答机器人

原理（极简版，不学向量也能懂）

第一步 安装依赖

第二步 完整可运行代码（纯基础知识点，无 RAG 无向量库）

第三步 .env 文件配置

四、用到的知识点（全是你学过的）

五、运行效果

🔴 先预判一下你的问题

第一步安装依赖

第二步完整可运行代码（纯基础知识点，无 RAG 无向量库）